在競爭激烈的商業環境中，最佳化投標流程至關重要。本文探討如何應用人工智慧技術，自動化處理招標檔案、產品匹配和建議，從而提升效率並降低錯誤率。透過案例研究，我們將深入瞭解 AI 模型如何分析招標檔案中的關鍵資訊，並與企業現有系統（如 SAP）整合，實作端對端的流程自動化。此外，我們也將探討 MLOps 方法和通用架構，以確保 AI 解決方案的可持續性和可擴充套件性。
自動化投標流程中的 AI 應用
在傳統的投標流程中，員工需要手動閱讀和理解招標檔案，然後匹配產品組合並選擇正確的產品和數量。由於產品數量龐大，這是一個繁瑣、耗時且具有挑戰性的任務。因此，客戶開始探索使用人工智慧（AI）來自動化部分流程的可能性。
客戶的想法是從最常銷售的產品子集開始，建立一個 AI 應用程式，自動將其新增到每個適合的投標中。當客戶接洽 Fraunhofer 時，他們已經與另一家公司進行了一個不成功的概念驗證。主要挑戰在於語言障礙，雙方未能達成對業務目標和資料的共同理解。
需求：互動、整合、資料和品質指標
該專案的總體目標是部分自動化投標流程，如圖 12.1 所示（在“供應商”行中）。
一家批發商透過 GAEB 資料交換格式向供應商傳送請求，GAEB 是一種為建築行業資料處理而開發的格式。然後，檔案被重定向到 AI 後端。在那裡，玄貓分析了招標檔案（RFT）的元素。這些推薦被上傳到供應商的 SAP 系統中。客戶透過機器人流程自動化（RPA）建立了一個機器人，該機器人處理了 AI 後端的 JSON 回應，然後在供應商的 SAP 系統中輸入了建議的產品。在 SAP 系統中，報價部門的員工可以驗證和必要時糾正模型的建議。
資料準備和模型評估
用於訓練、驗證和測試 AI 後端的資料由大約 30,000 份德語請求檔案組成，這些檔案是在兩年內收集的。每個檔案包含多個位置，描述了客戶請求的產品型別，每個位置都對映到一個或多個反映所提出的產品集的產品編號。每個檔案的平均位置數為 22，每個位置平均對映到 2 個產品編號。總共有大約 40,000 個唯一的產品集，每個產品集由一個或多個產品編號組成。
資料被隨機分成三個集合：訓練集合、評估集合和測試集合，比例為 80:10:10。訓練集合和驗證集合用作模型訓練的基準真實資料，以尋找最佳模型引數，而測試集合則用於評估階段估計模型效能。為了顯示代表性的結果，測試集合由玄貓選擇。這是第 5 章《資料和模型準備》中描述過程的一個例子。
模型品質評估
為了評估模型的品質，既使用了定量方法，也使用了定性方法。除了自動評估外，員工還評估了模型在未見資料上的效能，並將模型建議分類別為不正確、正確和功能正確的類別。這種方法使得對模型效能有了全面的瞭解，並有助於改進模型的準確性和實用性。
圖表翻譯：
graph LR
A[批發商] -->|GAEB格式請求|> B[供應商]
B -->|重定向到AI後端|> C[AI後端]
C -->|分析RFT|> D[推薦]
D -->|上傳到SAP系統|> E[SAP系統]
E -->|驗證和糾正|> F[最終報價]
此圖表示了投標流程中的 AI 應用，從批發商傳送 GAEB 格式請求開始，到最終報價的生成。每一步驟都涉及 AI 後端的分析和建議，上傳到 SAP 系統中，並由員工驗證和糾正，以確保報價的準確性和有效性。
企業級人工智慧解決方案的實踐與挑戰
在實際應用中，企業級人工智慧解決方案的開發與佈署面臨著多重挑戰。這些挑戰不僅包括技術層面的複雜性，也涉及到組織層面的協調與溝通。以下將深入探討這些挑戰以及可能的解決方案。
12.1 挑戰與機遇
12.1.1 產品建議的準確性
在人工智慧應用中，模型的建議結果必須準確且符合使用者的期望。然而，實際情況往往更為複雜。例如，模型可能會建議正確的產品型別，但未能滿足使用者對於產品特性的期望，例如顏色不符。這種情況下，需要收集使用者的反饋以不斷改進模型的效能。
12.1.2 開發與營運
當專案涉及多個地點時，會面臨額外的挑戰。資料可能儲存在公司的本地系統中，而開發團隊可能需要在不同的環境中工作。為瞭解決這些問題，可以採用容器化的解決方案，例如使用 Docker，來確保應用程式的可移植性和擴充套件性。
12.2 案例研究描述與設定
一個典型的專案可以分為多個階段，包括概念驗證（PoC）、主專案實施以及維護和營運。每個階段都有其特定的目標和挑戰。例如，在 PoC 階段，需要證明所採用的方法的可行性，而在主專案階段，則需要將解決方案從原型階段轉移到生產環境中。
實踐與挑戰
在實踐中，企業級人工智慧解決方案的開發與佈署需要考慮多個因素，包括技術選型、團隊合作、資料品質以及使用者反饋。以下是幾個關鍵的實踐與挑戰：
- 技術選型：選擇合適的技術和工具以支援專案的需求。
- 團隊合作：確保開發團隊、資料科學團隊和業務團隊之間的有效溝通和協作。
- 資料品質：確保資料的品質和可靠性，以支援模型的訓練和佈署。
- 使用者反饋：收集和整合使用者的反饋，以不斷改進模型的效能和使用者經驗。
內容解密：
上述內容闡述了企業級人工智慧解決方案的實踐與挑戰。首先，需要了解不同階段的目標和挑戰，包括概念驗證、主專案實施以及維護和營運。然後，需要考慮技術選型、團隊合作、資料品質以及使用者反饋等關鍵因素，以確保解決方案的成功佈署和持續改進。
圖表翻譯：
graph LR
A[概念驗證] --> B[主專案實施]
B --> C[維護和營運]
C --> D[持續改進]
D --> A
此圖表示了企業級人工智慧解決方案開發與佈署的迴圈過程。從概念驗證開始，接著是主專案實施，然後是維護和營運，最終回到持續改進的階段，以形成一個閉環。
MLOps 方法與通用架構
在我們的案例研究中，我們遵循了 MLOps 的實踐，這些實踐在第 2 章和第 6 章中已經介紹過。IAIS 多年來發展出了自己的一套 MLOps 實踐，以下是其概覽，如圖 12.2 所示。
圖 12.2 IAIS MLOps 迴圈及其階段和技術環境。 圖中所示的六個主要階段（需求分析、探索等）應該對本文的讀者來說非常熟悉，雖然與第 2 章和第 6 章中的分組略有不同。然而，IAIS 的 MLOps 實踐與其他實踐有兩個不同之處。首先，外部環境的細節更具體和規範。第二，是中心的「專案資料」，稍後會進行解釋。將 MLOps 整合到公司流程中至關重要，特別是在自動化方面。因此，除了六個主要領域外，還有一個第七個重要領域，涵蓋了溝通、統一專案和流程資料管理，以及其他六個領域之間的資訊轉換。這被稱為中央專案資料領域。
我們已經在許多成功的客戶專案中使用了我們的 MLOps 方法，因此我們也選擇了它作為我們的案例研究專案。接下來，我們將描述 MLOps 的一些組織和技術方面，只要它們在本文的其他地方尚未被討論過。 在我們看來，開發工作應該緊密地與持續的反饋、修訂和重複相連，遵循 Scrum 和 Kanban 等敏捷模式。
ML 解決方案的模型開發中的迭代最佳化過程是根據技術驗證和模型的品質及合理性。考慮業務方面的需求和反饋（包括管理、戰略、組織開發、銷售和行銷或生產）至關重要。專案組織需要確保業務方面被很好地整合到敏捷工作規劃和目標設定及模型評估中。
ML 解決方案專案通常遵循敏捷的組織結構。相比之下，交付和營運應用版本可以透過 CI/CD 管道大幅度自動化。新版本的佈署和營運中的監控與客戶的業務部門協調。
我們的最佳實踐還推動使用像 Docker 容器這樣的虛擬化技術，以確保一致且可重複使用的構建和測試環境。這些環境也可以在目標環境支援虛擬化的情況下重新用於演示或後期生產使用。如果目標環境支援虛擬化，則可以重新使用這些環境。持續佈署進一步自動化了不同目標環境中的工件組態和佈署，從導向開發的測試環境到營運生產環境。
圖 12.3 支援 MLOps 迴圈的一般技術架構，稍後在本章中會進一步完善和具體化。
為了成功實施和執行我們專案的 ML 解決方案，我們需要一個支援 MLOps 方法不同階段和三個環境的技術架構。圖 12.3 顯示了支援 MLOps 迴圈的一般技術架構。
內容解密：
上述內容介紹了 MLOps 方法與通用架構，強調了將 MLOps 整合到公司流程中的重要性，特別是在自動化方面。同時，也提到了 IAIS 的 MLOps 實踐與其他實踐的不同之處，包括中心的「專案資料」領域。這些內容對於理解如何實施和執行 ML 解決方案至關重要。
圖表翻譯：
圖 12.2 顯示了 IAIS MLOps 迴圈及其階段和技術環境，圖 12.3 顯示了支援 MLOps 迴圈的一般技術架構。這兩個圖表對於理解 MLOps 方法與通用架構至關重要，它們展示瞭如何實施和執行 ML 解決方案，並強調了將 MLOps 整合到公司流程中的重要性。
從商業價值視角來看，評估此 AI 自動化投標流程的投資報酬率後，可以發現其潛力巨大。深入剖析這個案例，我們看到 AI 如何解決繁瑣耗時的任務，並有效提升效率。多維比較分析顯示，相較於傳統手動流程，AI 方案能大幅降低人力成本和錯誤率，尤其在處理大量產品資料時更具優勢。然而，技術限制深析也指出，語言障礙和對業務目標理解的偏差是 AI 專案落地的主要挑戰，需要專注於提升自然語言處理（NLP）技術的理解能力，並加強與客戶的溝通和協作，才能確保模型準確性和實用性。
技術演進預測顯示，隨著 NLP 技術的持續發展和模型訓練資料的累積，AI 自動化投標流程的準確性和效率將進一步提升。融合趨勢洞察表明，AI 與 RPA 的整合將深化自動化程度，並拓展至更多應用場景。同時，我們也必須關注潛在風險，例如資料偏差和模型可解釋性問題，並制定相應的管理策略。
玄貓認為，AI 自動化投標流程代表了未來招標流程的發展方向。對於追求效率和競爭力的企業而言，積極匯入 AI 技術並克服實踐中的挑戰，將在未來市場競爭中取得顯著優勢。技術團隊應著重於提升模型的語言理解能力、資料品質和跨系統整合能力，才能完整釋放 AI 的潛力，並最大化商業價值。
